Dynamic Domain Adaptation-Driven Physics-Informed Graph Representation Learning for AC-OPF

📄 arXiv: 2506.00478v1 📥 PDF

作者: Hongjie Zhu, Zezheng Zhang, Zeyu Zhang, Yu Bai, Shimin Wen, Huazhang Wang, Daji Ergu, Ying Cai, Yang Zhao

分类: cs.LG, cs.CV

发布日期: 2025-05-31

💡 一句话要点

提出DDA-PIGCN，解决AC-OPF中复杂约束建模与时空信息融合难题。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 交流最优潮流 图神经网络 物理信息约束 动态域自适应 电力系统 时空依赖性 智能电网

📋 核心要点

  1. 现有AC-OPF求解器难以有效建模约束空间中变量分布与最优解的复杂关系，限制了知识表示能力。
  2. DDA-PIGCN通过动态域自适应学习机制和物理信息约束，迭代优化关键状态变量，实现精确约束验证。
  3. DDA-PIGCN利用图结构捕获发电机和负载的时空依赖性，在IEEE标准测试案例中表现出强大的性能。

📝 摘要（中文）

交流最优潮流(AC-OPF)旨在优化发电机功率输出，利用电力系统中电压幅值和相角之间的非线性关系。然而，当前的AC-OPF求解器难以有效地表示约束空间中变量分布与其对应最优解之间的复杂关系。这种约束建模的局限性限制了系统开发多样化知识表示的能力。此外，仅基于空间拓扑对电网进行建模进一步限制了额外先验知识（如时间信息）的集成。为了克服这些挑战，我们提出了一种新的方法DDA-PIGCN（动态域自适应驱动的物理信息图卷积网络），旨在解决与约束相关的问题，并构建一个基于图的学习框架，该框架结合了时空特征。DDA-PIGCN通过应用多层、硬物理信息约束，改进了具有不同长程依赖性的特征的一致性优化。它还使用动态域自适应学习机制，迭代更新和细化预定义约束下的关键状态变量，从而实现精确的约束验证。此外，它通过利用电网的物理结构来捕获发电机和负载之间的时空依赖性，从而可以跨时间和空间深度集成拓扑信息。广泛的比较和消融研究表明，DDA-PIGCN在多个IEEE标准测试案例（如case9、case30和case300）中表现出强大的性能，实现了0.0011到0.0624的平均绝对误差（MAE）和99.6%到100%的约束满足率，使其成为一种可靠且高效的AC-OPF求解器。

🔬 方法详解

问题定义：交流最优潮流(AC-OPF)问题旨在优化发电机功率输出，但现有方法难以有效建模约束空间中变量分布与最优解之间的复杂非线性关系，导致求解精度和效率受限。此外，现有方法通常只考虑电网的空间拓扑结构，忽略了重要的时序信息，限制了对电网状态的全面理解。

核心思路：论文的核心思路是利用图神经网络(GNN)来表示电网结构，并结合物理信息约束和动态域自适应学习，从而更有效地建模AC-OPF问题中的复杂约束关系和时空依赖性。通过GNN，可以更好地捕捉电网中节点之间的相互作用，而物理信息约束则保证了求解结果的物理可行性。动态域自适应学习则用于迭代优化求解过程，提高求解精度。

技术框架：DDA-PIGCN的整体框架包括以下几个主要模块：1) 图构建模块：基于电网拓扑结构构建图，节点表示发电机和负载，边表示它们之间的连接关系。2) 图卷积网络模块：利用图卷积网络提取节点特征，捕捉节点之间的相互作用。3) 物理信息约束模块：将物理定律（如功率平衡方程）作为约束条件加入到模型中，保证求解结果的物理可行性。4) 动态域自适应学习模块：通过迭代更新和细化关键状态变量，提高求解精度。

关键创新：该方法最重要的创新点在于将动态域自适应学习与物理信息图卷积网络相结合，从而能够更有效地建模AC-OPF问题中的复杂约束关系和时空依赖性。与现有方法相比，DDA-PIGCN能够更好地捕捉电网中节点之间的相互作用，并保证求解结果的物理可行性。

关键设计：DDA-PIGCN的关键设计包括：1) 多层图卷积网络结构，用于提取节点特征；2) 基于功率平衡方程的物理信息约束；3) 动态域自适应学习机制，用于迭代优化求解过程；4) 损失函数的设计，包括约束违反损失和优化目标损失。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DDA-PIGCN在IEEE标准测试案例（case9、case30和case300）中表现出强大的性能，实现了0.0011到0.0624的平均绝对误差（MAE）和99.6%到100%的约束满足率。这些结果表明，DDA-PIGCN是一种可靠且高效的AC-OPF求解器，优于现有方法。

🎯 应用场景

该研究成果可应用于智能电网的优化运行和控制，提高电网的效率和可靠性。例如，可以用于实时优化发电机功率输出，降低发电成本，提高电网的稳定性。此外，该方法还可以应用于电网规划和设计，评估不同电网结构的性能，为电网建设提供决策支持。未来，该方法有望扩展到其他电力系统问题，如电力市场交易和需求响应。

📄 摘要（原文）

Alternating Current Optimal Power Flow (AC-OPF) aims to optimize generator power outputs by utilizing the non-linear relationships between voltage magnitudes and phase angles in a power system. However, current AC-OPF solvers struggle to effectively represent the complex relationship between variable distributions in the constraint space and their corresponding optimal solutions. This limitation in constraint modeling restricts the system's ability to develop diverse knowledge representations. Additionally, modeling the power grid solely based on spatial topology further limits the integration of additional prior knowledge, such as temporal information. To overcome these challenges, we propose DDA-PIGCN (Dynamic Domain Adaptation-Driven Physics-Informed Graph Convolutional Network), a new method designed to address constraint-related issues and build a graph-based learning framework that incorporates spatiotemporal features. DDA-PIGCN improves consistency optimization for features with varying long-range dependencies by applying multi-layer, hard physics-informed constraints. It also uses a dynamic domain adaptation learning mechanism that iteratively updates and refines key state variables under predefined constraints, enabling precise constraint verification. Moreover, it captures spatiotemporal dependencies between generators and loads by leveraging the physical structure of the power grid, allowing for deep integration of topological information across time and space. Extensive comparative and ablation studies show that DDA-PIGCN delivers strong performance across several IEEE standard test cases (such as case9, case30, and case300), achieving mean absolute errors (MAE) from 0.0011 to 0.0624 and constraint satisfaction rates between 99.6% and 100%, establishing it as a reliable and efficient AC-OPF solver.